级联自我监测以在低数据模式中提升心脏MRI细分

科学领域:

• 医学图像分析
• 深度学习
• 心血管成像

背景情况:

• 医疗图像细分的监督深度学习需要大量的标记数据,而这些数据的获取是昂贵且耗时的,特别是对于像素级的3D注释.
• 有限的标记数据限制了医疗图像细分任务中的模型性能.
• 没有标记的数据往往是丰富的,可以通过半或自主监督学习 (SSL) 来提高模型培训.

研究的目的:

• 调查和比较流行的SSL策略,包括转换一致性,学生-教师和伪标签,用于心脏MRI细分.
• 在有限的标记数据场景下,单独和组合评估这些SSL方法的有效性.
• 提出并验证一种结合伪标签和学生-教师模式的新型级联自我监督方法.

主要方法:

• 对2D和3D心脏MRI数据集的转换一致性,学生-教师和伪标签SSL策略的评估 (ACDC,MMWHS).
• 在各种低数据制度中对表现的评估,标记训练数据的数量正在减少.
• 实施连锁自主监督方法,整合伪标签和自主监督的学生-教师模式.

主要成果:

• 所有调查的SSL方法在所有场景中都超过了监督的基线和现有的最先进的自我监督方法.
• 拟议的级联自我监督方法实现了10.17% (ACDC) 和6.72% (MMWHS) 的显著子相似系数 (DSC) 改进,相比于非常低标签数据的低数据监督方法.
• 与完全监督模型相比,拟议的方法大大减少了性能差距,证明了结合未标记数据的有效性.

结论:

• 级联自我监督,结合伪标签和级联学生-教师模型,是心脏MRI细分的最有效方法.
• 当标记数据稀缺时,通过SSL利用未标记的数据始终有利于提高细分精度.
• 这些发现突显了SSL在医学图像分析中克服数据限制并增强临床应用的潜力.